O slideshow foi denunciado.
Utilizamos seu perfil e dados de atividades no LinkedIn para personalizar e exibir anúncios mais relevantes. Altere suas preferências de anúncios quando desejar.
Casos de Uso 
de Big Data 
Wolfram Rozas 
31 Octubre 2014
2 
Agenda 
• Introducción 
• El Lago de Datos 
• Cambio en el Paradigma Analítico 
• El rol del Chief Data Officer 
• Las ...
3 
Los datos son el 
nuevo recurso 
natural 
Social, Móvilidad, Big Data 
Juntas están enriqueciendo a la sociedad 
con co...
4 
Las 3 ies son la causa del Big Data 
instrumentado 
interconectado 
inteligente 
Hasta 
10.000x 
más 
volumen 
Analític...
5 
Sistemas 
Operacionales 
Integración y Analítica & 
(DW, MDM,…) 
Información 
no vista 
Gobierno
6 
Para poder ejecutar las nuevas 
oportunidades, hay en fuentes de datos 
no tradicionales 
Datos transaccionales 
y de a...
7 
Por tanto, ¿cuál es la paradoja de Big 
Data? 
• El porcentaje de datos disponibles que una empresa puede analizar decr...
8 
¿Qué es Big Data? 
Volumen Velocidad Variedad Veracidad 
Datos en Reposo 
Deben procesarse 
TB-EB 
Datos en Movimiento ...
9 
Volumen 
180millones 
Registros de préstamos 
analizados cada día 
Velocidad 
2billones 
Cálculos de datos de bonos 
en...
10 
Volumen 
4petabytes 
Retos y oportunidades en Utilities 
Velocidad 
248millones 
Variedad 
80% 
datos no estructurados...
11 
Volumen 
>1000 Millones 
Retos y oportunidades en Retail 
Velocidad 
6000 
Varieda 
d 
Perfiles de Redes 
Sociales 
Po...
Arquitectura de Nueva Generación 
Aplicaciones 
Mejoradas 
Nuevos modelos 
de Negocio 
12 
Analítica en Tiempo Real 
Explo...
13 
Exploración y Descubrimiento 
Aplicaciones Exploración 
Text Analytics 
Motor Búsqueda 
Ruting Federación Queires 
Sub...
14 
Plataforma Hadoop 
• Datos almacenados en un sistema de ficheros distribuido en múltiples ordenadores económicos (inte...
15 
Análisis en Marcha (Streaming) 
Modificar 
Filtrar/Muestreo 
Clasificar 
Fusionar 
Anotar 
Puntuar 
Agregar 
Analizar ...
16 
Data Warehousing de Alto Rendimiento 
• Velocidad 
– Considerar un appliance optimizado para 
analítica 
• Aceleración...
17 
Analítica de Texto 
• Analiza texto y detecta significados con 
anotadores 
• Comprende el contexto en el que se 
anal...
18 
Gobernanza del Big data 
• Integrar cualquier tipo de dato 
– Estructurado 
– No estructurado 
– Streaming 
• Gobernan...
19 
Comprende lenguaje 
natural y estilo de 
comunicación humano 
Evoluciona y aprende 
mediante entrenamiento, 
interacci...
20 
Big Data & Business Analytics 
No existe lo uno sin lo otro 
Sistemas Seguridad 
Almacenamiento 
Instalación propia, C...
Data Lake
22 
El problema de los Datos 
• Hay una desproporción en el tiempo empleado en preparación de datos en los proyectos de An...
23 
Una demanda creciente…. 
Negocio quiere... 
• Acceso abierto a más información 
• Herramientas de análisis y visualiza...
24 
¿Lagos o Pantanos? 
• A medida que recogemos datos 
– Podemos preservar la claridad? 
– ¿Conocemos lo que recogemos? 
...
25 
¿Qué es un lago de datos? 
• Un lago de datos facilita datos a una 
organización para realizar análisis de todo 
tipo ...
26 
Arquitectura lógica 
Advanced Data 
Provisioning 
Operational 
Governance 
Hub 
Data Lake 
Catalog 
Interfaces 
Data L...
27 
Resumen 
Lago de Datos = Gestión eficiente, Gobernanza, protección y acceso 
• A medida que la analítica de una organi...
Cambios en el Paradigma 
Analítico
29 
Cambios en el Paradigma Analítico 
BIG DATA & TRADITIONAL ANALYTICS APPROACH 
APPROACH 
Analyze small subsets 
of info...
30 
Cambios en el Paradigma Analítico 
BIG DATA & ANALYTICS APPROACH 
TRADITIONAL APPROACH 
What will happen and what shou...
Chief Data Officer
32 
Chief Data Officer 
Es un líder de negocio que crea y ejecuta datos y 
estrategia de análisis para generar valor en su...
33 
Cinco maneras en las que los CDO 
conducen crecimiento e innovación
34 
Entregar valor de negocio es la primera 
prioridad del CDO 
scarce 
3 impulsores 
para el CEO 
1. Experiencia 
Cliente...
Las 5 categorías de casos 
de uso
36 
Innúmeros casos de uso en cada 
industria 
Seguros 
• Vista 360 del sujeto 
• Modelización 
catástrofes 
• Fraude y Ab...
37 
Exploración 
Encontrar, visualizar, comprender 
los Big Data para mejorar el proceso 
de decisión 
Las 5 Categorías de...
38 
Exploración 
Encontrar, visualizar, comprender 
los Big Data para mejorar el proceso 
de decisión 
Las 5 Categorías de...
39 
Exploracion: Necesidades 
Luchar para gestionar y 
extraer valor de las 3 V’s en 
la empresa; necesidad de 
unificar l...
40 
Call Center 
Highly relevant, secure & 
personalized results 
Access all sources 
or individual source 
Dynamic 
categ...
Distintos propósitos de exploración 
41 4 
1
42 IBM Confidential
4343
44 
Exploración 
Encontrar, visualizar, comprender 
los Big Data para mejorar el proceso 
de decisión 
Las 5 Categorías de...
45 
Necesidades 
Extender las vistas actuales de clientes (MDM, 
CRM, etc.) añadiendo fuentes de información 
internas y e...
46 
Análisis Actitudinal de Clientes
47 
GeoMarketing 2.0 / Geofencing 
Pisadas 
• Patrones de movimiento de personas y 
patrones de estancia 
• Análisis por h...
48 
Lista de Prospectos 
Fan 
BBiigg DDaattaa DDWW 
DDaattooss lliinneeaalleess 
Datos Datos no 
no 
lineales 
lineales 
D...
49 
Exploración 
Encontrar, visualizar, comprender 
los Big Data para mejorar el proceso 
de decisión 
Las 5 Categorías de...
50 
Necesidades 
La extensión de Seguridad/Inteligencia mejora las 
soluciones de seguridad analizando todo tipo de 
fuent...
51 
Modelo Conceptual 
Sistema de 
Seguimiento de 
Información 
Criminal 
Información s de 
Seguridad y 
Gestión de 
Event...
Evolución 
Adaptarse a 
cambios en 
negocios 
clientes 
productos 
Problemas 
Integridad? 
Consistencia 
del proceso 
de g...
53 
Exploración 
Encontrar, visualizar, comprender 
los Big Data para mejorar el proceso 
de decisión 
Las 5 Categorías de...
54 
Necesidades 
Analizar una variedad de datos máquina para 
mejorar los resultados de negocio 
La capacidad de analizar ...
55 
Logs brutos y datos máquina 
Indexar, buscar 
Modelización estadística 
Análisis Causal 
Exploración y 
Descubrimiento...
56 
Análisis de los Datos Máquina (M2M) 
App. Server Logs 
System Logs 
Smart Meters 
Sensor Data 
Utility Systems 
Facili...
57 
Detección de Anomalías 
Datos históricos Ultimos datos 
1. Para cada punto de suministro se 
identifican otros puntos ...
Soluciones 
Aplicaciones 
Mediación, Correlación y 
58 
Network Analytics 
Análisis en tiempo real del uso de los clientes...
59 
Exploración 
Encontrar, visualizar, comprender 
los Big Data para mejorar el proceso 
de decisión 
Las 5 Categorías de...
60 
Necesidades 
Integrar las capacidades de big data y de data 
warehouse par amejorar la eficiencia operacional 
Necesid...
61 
Valor y Modelo Conceptual 
Pre-Processing Hub Query-able Archive Exploratory Analysis 
Information 
Integration 
Data ...
62 
Archivar “Datos Fríos” 
Aplicar políticas de retención de datos 
Capturar objetos de negocio completos 
Preservar inte...
Ejemplos de Caso de Uso
64 
Resultados 
Interacciones proactivas 
Aceptación mejorada de ofertas 
Satisfacción clientes mejorada 
Datos Externos 
...
65 
Resultados 
Identificar oportunidades de trading rentables 
Crear una adecuada estructura de pricing para 
reducir los...
66 
Video 
Vigilancia, 
tráfico de pies en la 
tienda 
Resultados 
Reducir los costes de marketing 
Reducir abandonos 
Inc...
Experiencias
Fabricante aeroespacial global 
incrementa la eficiencia de la fuerza 
laboral y ahorra 36M$ anualmente 
68 
• Necesidad 
...
Compañía de Emailing Americana analiza 
miles de millones de emails no 
estructurados 
Necesidad 
Sus clientes envían 35 m...
70 
Fabricante de tecnología de datos en 
streaming de sistemas de vigilancia 
• Necesidad 
– Desplegar un sistema de vigi...
Un mercado de Bolsa amerciano 
mejora notablemente el rendimiento 
de su gestión de información 
71 
Necesidad 
• Mayor fl...
Bureau Salud Asiático reduce 
72 
errores de diagnóstico 
Necesidad 
• El servicio telemédico de diagnóstico 
por imágenes...
73 
El Instituto de la Universidad de 
Ontario detecta los síntomas de 
neonatos con anterioridad 
• Ejecuta analítica en ...
Una gran organización no lucrativa de 
I+D conduce una proyecto de 
demostración regional para validar las 
tecnologías de...
Ayudar a reducir los costes de 
energía y la fiabilidad y rendimiento 
de la red 
75 
Necesidad 
• Validar la viabilidad d...
76 
Fabricante de aerogeneradores 
optimiza inversiones de capital 
Necesidad 
• Definir modelos climáticos para 
optimiza...
77 
Detección de cambios 
medioambientales de recursos hídricos 
en tiempo real 
Necesidad 
• Recoger y procesar múltiples...
78 
Centro de la Ciudad de Dublin: 
sistema de control de tráfico robusto 
y eficiente que 
Necesidad 
• Una solución efic...
Taller
80 
problema u 
Seleccionamos 
sectores 
industriales de 
interés 
1 
2 
3 
6 
4 5 
Definimos la 
necesidad, 
oportunidad ...
81 
Valoración de Ideas 
Innovación Factibilidad 
Técnica 
Factibilidad 
Económica 
Valoramos del 1 al 10
82
Muchas gracias 
por su atención
Próximos SlideShares
Carregando em…5
×

"Casos de uso del Big Data" por Wolfram Rozas

20.103 visualizações

Publicada em

Presentación: "Casos de uso del Big Data"
Ponente: Wolfram Rozas
Fecha: 31 de octubre
Lugar: Murcia

  • DOWNLOAD TH1S BOOKS INTO AVAILABLE FORMAT (Unlimited) ......................................................................................................................... ......................................................................................................................... Download Full PDF EBOOK Here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... Download Full EPUB EBOOK Here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... ACCESS WEBSITE for All Ebooks ......................................................................................................................... Download Full PDF EBOOK Here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... Download EPUB EBOOK Here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... Download doc EBOOK Here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... ......................................................................................................................... ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... Art, Biography, Business, Chick Lit, Children's, Christian, Classics, Comics, Contemporary, Cookbooks, Crime, Ebooks, Fantasy, Fiction, Graphic Novels, Historical Fiction, History, Horror, Humor And Comedy, Manga, Memoir, Music, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance, Science, Science Fiction, Self Help, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult,
       Responder 
    Tem certeza que deseja  Sim  Não
    Insira sua mensagem aqui
  • DOWNLOAD THIS BOOKS INTO AVAILABLE FORMAT (Unlimited) ......................................................................................................................... ......................................................................................................................... Download Full PDF EBOOK here { https://tinyurl.com/yyxo9sk7 } ......................................................................................................................... Download Full EPUB Ebook here { https://tinyurl.com/yyxo9sk7 } ......................................................................................................................... ACCESS WEBSITE for All Ebooks ......................................................................................................................... Download Full PDF EBOOK here { https://tinyurl.com/yyxo9sk7 } ......................................................................................................................... Download EPUB Ebook here { https://tinyurl.com/yyxo9sk7 } ......................................................................................................................... Download doc Ebook here { https://tinyurl.com/yyxo9sk7 } ......................................................................................................................... ......................................................................................................................... ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... Art, Biography, Business, Chick Lit, Children's, Christian, Classics, Comics, Contemporary, Cookbooks, Crime, Ebooks, Fantasy, Fiction, Graphic Novels, Historical Fiction, History, Horror, Humor And Comedy, Manga, Memoir, Music, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance, Science, Science Fiction, Self Help, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult,
       Responder 
    Tem certeza que deseja  Sim  Não
    Insira sua mensagem aqui

"Casos de uso del Big Data" por Wolfram Rozas

  1. 1. Casos de Uso de Big Data Wolfram Rozas 31 Octubre 2014
  2. 2. 2 Agenda • Introducción • El Lago de Datos • Cambio en el Paradigma Analítico • El rol del Chief Data Officer • Las cinco categorías de Casos de Uso • Ejemplos de Casos de Uso • Experiencias reales • Taller
  3. 3. 3 Los datos son el nuevo recurso natural Social, Móvilidad, Big Data Juntas están enriqueciendo a la sociedad con conocimiento, a través de redes que generan expectativas de valor a cambio de su información
  4. 4. 4 Las 3 ies son la causa del Big Data instrumentado interconectado inteligente Hasta 10.000x más volumen Analítica Compleja Hasta 10.000x más rápido Datos en reposo Mexcla (no)estructurados Data Warehouse traditional e Inteligencia de Negocio Data Scale Volumen Datos en movimiento año mes sem día hora min seg … ms Hexa Peta Tera Giga Mega Kilo ocasionalmente frecuentemente tiempo real Velocidad Tiempo esperado de decisión
  5. 5. 5 Sistemas Operacionales Integración y Analítica & (DW, MDM,…) Información no vista Gobierno
  6. 6. 6 Para poder ejecutar las nuevas oportunidades, hay en fuentes de datos no tradicionales Datos transaccionales y de aplicación Datos Máquina (M2M) Datos Sociales • Volumen • Estructurado • Throughput • Velocidad • Semiestructurados • Ingestión • Variedad • Altamente desestructurados • Veracidad Contenido Empresarial • Variedad • Altamente desestructurados • Volumen
  7. 7. 7 Por tanto, ¿cuál es la paradoja de Big Data? • El porcentaje de datos disponibles que una empresa puede analizar decrece en relación proporcional a la disponibilidad de los mismos. Datos DISPONIBLES para una organización Datos que una organización puede PROCESAR Volumen Datos mundiales 2009 0,8 Zb (*) 2010 1 Zb 2011 1,8 Zb 2018 estimado 35 Zb (*) Zb (Zettabyte) = 10 3 Exabyte = 10 6 Petabyte = 10 9 Terabyte
  8. 8. 8 ¿Qué es Big Data? Volumen Velocidad Variedad Veracidad Datos en Reposo Deben procesarse TB-EB Datos en Movimiento Datos en “streaming”, no almacenados, decision necesaria en ms Datos con múltiples formatos Estructurados, no estructurados, texto, multimedia Datos ruidosos Fiabilidad de los datos: desfasados, incom-pletos, conflictivos, irónicos, equivocados, vagos, erróneos Grande App Clásicas Tiempo Real M2M No estructurados Docs Corporativos Calidad Social Media
  9. 9. 9 Volumen 180millones Registros de préstamos analizados cada día Velocidad 2billones Cálculos de datos de bonos en 1 minuto Variedad 40millones Emails analizados mensualmente Analizar más préstamos por niveles de riesgo y patrones de fraude Analizar más profundamente para descubrir sentimiento y actitudes de los clientes Descubrir riesgo e identificar oportunidades más rápido que antes º de negocio no confían en la información que usan para tomar decisiones Confirmar la Veracidad de las fuentes Big Data Retos y oportunidades en Banca
  10. 10. 10 Volumen 4petabytes Retos y oportunidades en Utilities Velocidad 248millones Variedad 80% datos no estructurados … de datos de modelización de climatología para la optimización de la situación de aerogeneradores …de una smart grid, predicciones de tiempo, documentos, etc. …lecturas diarias en un proyecto estándar de contadores inteligentes 6.000 millones $ perdidos en US anualmente debido a pérdidas no técnicas Confirmar la Veracidad de las fuentes Big Data
  11. 11. 11 Volumen >1000 Millones Retos y oportunidades en Retail Velocidad 6000 Varieda d Perfiles de Redes Sociales Posts de facebook diarios abonados de móviles y crecimiento de datos Analizar enormes volúmenes de datos para conseguir una “nítida” vista de 260º del cliente Los clientes envían variedad de datos -– blogs, videos, emails, pins, tweets, etc. Conocer dónde están los clientes para ofertas lanzadas en tiempo real empresarial Millones 2800 Millones º de negocio no confían en la información que usan para tomar decisiones Confirmar la Veracidad de las fuentes Big Data
  12. 12. Arquitectura de Nueva Generación Aplicaciones Mejoradas Nuevos modelos de Negocio 12 Analítica en Tiempo Real Exploración, landing y archivo Enterprise warehouse Data mart Analytic appliances Información Operacional Gobierno de la Información Experiencia de cliente Mejoras económico-financieras Gestión del Riesgo Fuentes de Datos S. Cognitivos Apoyo a Toma de SISTEMAS-SEGURIDAD-ALMACENAMIENTO Datos de máquinas y sensores Imagen y video Contenido Empresarial Datos de aplicaciones y transformaciones Datos de Redes Sociales Datos de Terceros Enterprise warehouse Data mart Appliances Analíticos Decisiones Modelización predictiva Reporting, análisis, analítica contenidos Descubrimiento y exploración + + Gestión de Operaciones y del Fraude Ahorros IT Area de Entendimiento
  13. 13. 13 Exploración y Descubrimiento Aplicaciones Exploración Text Analytics Motor Búsqueda Ruting Federación Queires Subscripciones Feeds ResultadosWeb Metadata Extraction Framework Aplicación Modelo Entidad Aplicaciones Vista 360O Extendida User Profiles CM, RM, DM RDBMS Feeds Web 2.0 Email Web CRM, ERP File Systems Framework Conector MDM
  14. 14. 14 Plataforma Hadoop • Datos almacenados en un sistema de ficheros distribuido en múltiples ordenadores económicos (intel) • Se puede operar con funciones en los datos • Escalable a miles de nodes y petabytes de datos public static class TokenizerMapper extends Mapper<Object,Text,Text,IntWritable> { private final static IntWritable one = new IntWritable(1); private Text word = new Text(); public void map(Object key, Text val, Context StringTokenizer itr = Aplicación MapReduce 1. Fase de Mapeo (divide el trabajo en muchas partes) 2. Fase de Combinación (transfiere el output para procesamiento final) 3. Fase de Reducción (Reduce todo el output a un juego sencillo de datos) Devuelve un conjunto sencillo de resultados Juego resultado Combinar public static class TokenizerMapper extends Mapper<Object,Text,Text,IntWritable> { private final static IntWritable one = new IntWritable(1); private Text word = new Text(); public void map(Object key, Text val, Context StringTokenizer itr = new StringTokenizer(val.toString()); while (itr.hasMoreTokens()) { word.set(itr.nextToken()); context.write(word, one); } } } public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWrita private IntWritable result = new IntWritable(); public void reduce(Text key, Iterable<IntWritable> val, Context context){ int sum = 0; for (IntWritable v : val) { sum += v.get(); . . . new StringTokenizer(val.toString()); while (itr.hasMoreTokens()) { word.set(itr.nextToken()); context.write(word, one); } } } public static class IntSumReducer extends Reducer<Text,IntWritable,Text,IntWrita private IntWritable result = new IntWritable(); public void reduce(Text key, Iterable<IntWritable> val, Context context){ int sum = 0; for (IntWritable v : val) { sum += v.get(); . . . Distribuye tareas al cluster Nodos de datos
  15. 15. 15 Análisis en Marcha (Streaming) Modificar Filtrar/Muestreo Clasificar Fusionar Anotar Puntuar Agregar Analizar ANTES AHORA Real-time Analytics
  16. 16. 16 Data Warehousing de Alto Rendimiento • Velocidad – Considerar un appliance optimizado para analítica • Aceleración de queries basada en HW • Procesamiento masivamente paralelo (MPP) • Base de Datos In Memory • Escalabilidad – Hasta petabytes – Arquitectura en paralelo • Simplicidad – Integrar SW, procesador y almacenamiento – Facilitar interfaces estándar – Minimizar gestión y optimización Procesamiento Masivamente Paralelo (AMPP™) Analítica Avanzada Analítica Avanzada CCaarrggaaddoorr BBII EETTLL Aplicaciones FPGA CPU Memoria FPGA CPU Memoria FPGA CPU Memoria Host Hosts Almacenar Procesar Conectar Orquestrar
  17. 17. 17 Analítica de Texto • Analiza texto y detecta significados con anotadores • Comprende el contexto en el que se analiza el texto • Incorpora anotadores preconstruidos para construcciones estándar de texto como nombres, direcciones, números de teléfono, etc. • Convierte información desestructurada en texto estructurado – Análisis de sentimiento – Conducta del consumidor – Actividades ilegales – …
  18. 18. 18 Gobernanza del Big data • Integrar cualquier tipo de dato – Estructurado – No estructurado – Streaming • Gobernanza – Asegurar datos sensibles – Gestionar el ciclo de vida del dato para controlar el crecimiento de datos – Perfiles de fuentes de datos – Validar y gestionar la calidad de los datos – Gestionar la metadata para trazar el linaje de los datos – Datos maestros, integrarlos y extenderlos con big data para hacerlos fiables Data Archiving Data Masking Test Data Management Application Discover Retirement PPaarrttnneerr--ddeelliivveerreedd SSoolluuttiioonnss
  19. 19. 19 Comprende lenguaje natural y estilo de comunicación humano Evoluciona y aprende mediante entrenamiento, interacción y resultados Los sistemas cognitivos representan una nueva era de Computación Genera y contrasta hipótesis basadas en evidencias 1 2 3 Watson de IBM • Me comprende • Me involucra • Aprende y mejora en el tiempo • Me ayuda a descubrir • Genera confianza • Tiene una enorme capacidad analítica • Opera en tiempo real
  20. 20. 20 Big Data & Business Analytics No existe lo uno sin lo otro Sistemas Seguridad Almacenamiento Instalación propia, Cloud, Como un Servicio Zona de aterrijzaje, exploración y archivado Infraestructura de Big Data Y Analytics Aplicaciones Nuevas/Mejoradas Datos Zona de analítica en tiempo real Zona de DW Corporativo y appliances Ingestión de información y zona de información operacional Zona de Gobernanza de Información ¿Qué podría ocurrir? Modelos predictivos ¿Qué acción tomar? Toma de Decisiones ¿Qué está ocurriendo? Descubrimiento y exploración ¿Por qué ocurrió? Reporting, anáisis, análisis de contenidos Fábrica cognitiva
  21. 21. Data Lake
  22. 22. 22 El problema de los Datos • Hay una desproporción en el tiempo empleado en preparación de datos en los proyectos de Análisis • El Big Data complicará más la situación con la adición de datos de múltiples formatos y la ingesta en tiempo real
  23. 23. 23 Una demanda creciente…. Negocio quiere... • Acceso abierto a más información • Herramientas de análisis y visualización más potentes A los equipos IT … • les preocupan los costes • les preocupan los requisitos de gobernanza y regulatorios
  24. 24. 24 ¿Lagos o Pantanos? • A medida que recogemos datos – Podemos preservar la claridad? – ¿Conocemos lo que recogemos? – ¿Podemos encontrar lo que necesitamos? • ¿Estamos creando pantanos de datos? • ¿Cómo construimos confianza en Big Data? – ¿Sabemos para qué se usan los datos? ¡Hay que gobernar el dato!
  25. 25. 25 ¿Qué es un lago de datos? • Un lago de datos facilita datos a una organización para realizar análisis de todo tipo • Es posible introducir el análisis en el lago de datos para generar conocimiento adicional de los datos cargados • Un lago de datos gestiona repositorios compartidos de información para analizarla • Cada repositorio del lago de datos se optimiza para un procesamiento particular • Los datos pueden replicarse en múltiples repositorios en el lago de datos y tener distintos significados/usos Servicios del Lago de Datos Repositorios del Lago de Datos Gestión de Información y Gobierno del Dato Lago de Datos
  26. 26. 26 Arquitectura lógica Advanced Data Provisioning Operational Governance Hub Data Lake Catalog Interfaces Data Lake Repositories Harvested Data Information Warehouse Deep Data Descriptive Data Information Views Shared Operational Data Operational Status Notifications Information Federation Calls Inter-lake Exchange Deposited Data Catalog Data Refineries Streaming Analytics Real-time Interfaces Publishing Feeds Information Ingestion Code Hub Information Integration & Governance Information Broker Information Broker Operational Governance Hub Code Hub Code Hub Information Access Find Curate Access Provision SSttaaggiinngg AArreeaass MMoonniittoorr WWoorrkkffllooww Real-time Analyics Streaming Analytics Content Hub Events to Evaluate Information Service Calls Data Out Data In Understand Information Sources Deploy Decision Models Understand Compliance Understand Information Sources Search Requests Curation Interaction Information Service Calls Data Export Data Import Report Queries Management Information Service Calls Data Export Advertise Information Source Deploy Real-time Decision Models Data Import Analyst Interaction Reporting Data Marts
  27. 27. 27 Resumen Lago de Datos = Gestión eficiente, Gobernanza, protección y acceso • A medida que la analítica de una organización se hace más compleja, será necesario: – Acceder a datos históricos de muchos sistemas – Estos datos incluyen datos sensible y valiosos que son el núcleo de la operación – Hadoop felxible para almacenar muchos tipos de datso, pero no es suficientemente rápido para alguna analítica en producción. Los datos necesitan ser reformateados y copiados en una plataforma especializada paa el análisis • Un lago o embalse suministra: – Un extracción sencilla de datos – Catalogar y gobernar el dato – Interfaces sencillos para que la línea de negocio acceda a la infomración que precisan
  28. 28. Cambios en el Paradigma Analítico
  29. 29. 29 Cambios en el Paradigma Analítico BIG DATA & TRADITIONAL ANALYTICS APPROACH APPROACH Analyze small subsets of information Analyzed information All available information Analyze all information All available information analyzed Aprovechar más de los datos que se están capturando BIG DATA & TRADITIONAL ANALYTICS APPROACH APPROACH Data Exploration Insight Correlation Lpos datos dirijen y algunas veces las correlaciones son bastantes buenas BIG DATA & TRADITIONAL ANALYTICS APPROACH APPROACH Small amount of carefully organized information Large amount of messy information Carefully Analyze cleanse information as is, information before cleanse any as needed analysis Reducir el esfuerzo requerido para aprovechar los datos BIG DATA & TRADITIONAL ANALYTICS APPROACH APPROACH Data Analysis Insight Analyze data in motion as it’s generated, Aprovechar los datos a medida que se capturan Hypothesis Question Answer Data Start with Explore all data hypothesis and and test identify against selected correlations data Data Repository Analysis Insight Analyze data after it’s been processed and landed in a in real-warehouse time or mart
  30. 30. 30 Cambios en el Paradigma Analítico BIG DATA & ANALYTICS APPROACH TRADITIONAL APPROACH What will happen and what should you do What has happened and why Predecir y decidir la mejor acción BIG DATA & ANALYTICS APPROACH Learn to sense and predict using all types of information Sistemas cognitivos BIG DATA & TRADITIONAL ANALYTICS APPROACH APPROACH the realm of the specialist embedded in everything Análisis intuitivo para cualquiera BIG DATA & TRADITIONAL ANALYTICS APPROACH APPROACH Scheduled Real-time Análisis cómo y cuándo lo necesitas TRADITIONAL APPROACH Pre-programmed analysis on structured data
  31. 31. Chief Data Officer
  32. 32. 32 Chief Data Officer Es un líder de negocio que crea y ejecuta datos y estrategia de análisis para generar valor en su negocio Es responsible de definir, desarrollar e implantar la estrategia y los métodos por los que la organización adquiere, gestiona, analiza y gobierna sus datos. También se hace cargo de identificar nuevas oportunidades de negocio mediante un uso creativo de los datos corporativos Fuente: IBM Institute for Business Value, “The New Hero of Big Data and Analytics, The Chief Data Officer”, June 2014
  33. 33. 33 Cinco maneras en las que los CDO conducen crecimiento e innovación
  34. 34. 34 Entregar valor de negocio es la primera prioridad del CDO scarce 3 impulsores para el CEO 1. Experiencia Cliente/ Ciudadano 2. Eficiencia operacional mejorada 3. Capacidad mejorada para innovación
  35. 35. Las 5 categorías de casos de uso
  36. 36. 36 Innúmeros casos de uso en cada industria Seguros • Vista 360 del sujeto • Modelización catástrofes • Fraude y Abuso • Analítica de rendimiento producto Banca • Optimización de ofertas • Servicio a clientes y eficiencia • Detección e investigación de fraude • Riesgo de crédito y de contrapartida Telecom. • Call Center proactivo • Analítica de Red • Servicios basados en localización Energía y Utilities • Analítica de Smart Meter • Predicción/ planificación de carga • Mantenimiento basado en condición • Ofertas a clientes (TOU) Medios y Entretenimiento • Transformación de procesos de negocio • Optimización de audiencias y marketing • Campañas multicanal • Optimización de comercio digital Retail • Analítica de Cliente y Fidelización • Optimización de Mercancías • Precios óptimos Transporte y Turismo • Analítica de Cliente y Fidelización • Analítica de Mantenimiento Predictivo • Optimización de Capacidad y Precios Gran Consumo • Disponibilidad Estante • Optimización de Trade Funds • Cumplimiento de mercancías • Alertas/Excepciones de promociones Gobierno • Servicios públicos • Defensa e Inteligencia • Servicios fiscales y tributarios Salud • Medir y actuar sobre los resultados de salud • Involucrar a los consumidores en su salud Automoción • Monitorización avanzada de condición • Optimización Data Warehouse • Analítica de Cliente y Fidelización Farmacia • Aumentar la visibilidad de la seguridad y efectividad de los medicamentos Química y Petróleo • Vigilancia, Análisis, Optimización Operacional • Optimización Data Warehouse • Investigación Upstream Aviación y Defensa • Plataforma de Acceso Información Uniforme • Optimización Data Warehouse • Plataforma de Certificación Aerolínea • Monitorización avanzada de condición Electrónica de Consumo • Analítica de clientes/ canal • Monitorización avanzada de condición
  37. 37. 37 Exploración Encontrar, visualizar, comprender los Big Data para mejorar el proceso de decisión Las 5 Categorías de Casos de Uso Vista 360º cliente mejorada Extender las vistas de clientes (MDM, CRM, etc) incorporando fuentes de información internas y externas Inteligencia Operacional Analizar una variedad de datos máquina para mejorar la eficiencia operacional Seguridad/Inteligencia Aumentada Reducir riesgo, detectar fraude y monitorizar seguridad en tiempo real Aumento del Data Warehouse Integrar las capacidades de big data y de data warehousing para mejora de resultados de negocio
  38. 38. 38 Exploración Encontrar, visualizar, comprender los Big Data para mejorar el proceso de decisión Las 5 Categorías de Casos de Uso Vista 360º cliente mejorada Extender las vistas de clientes (MDM, CRM, etc) incorporando fuentes de información internas y externas Inteligencia Operacional Analizar una variedad de datos máquina para mejorar la eficiencia operacional Seguridad/Inteligencia Aumentada Reducir riesgo, detectar fraude y monitorizar seguridad en tiempo real Aumento del Data Warehouse Integrar las capacidades de big data y de data warehousing para mejora de resultados de negocio
  39. 39. 39 Exploracion: Necesidades Luchar para gestionar y extraer valor de las 3 V’s en la empresa; necesidad de unificar la información en fuentes federadas Encontrar, visualizar, comprender todos los datos para mejorar el proceso de toma de decisiones Incapacidad de relacionar los datos “brutos” recogidos de logs de sistema, sensores, clickstreams, etc., con datos de clientes y de negocio Riesgo de exponer información de identificación personal y/o datos privilegiados debido a carencias de conciencia de la sensibilidad de la información
  40. 40. 40 Call Center Highly relevant, secure & personalized results Access all sources or individual source Dynamic categorization Refinements based on metadata Setup alert to notify change Narrow down results set Identify topical experts Tag results Rate results Comment results Store & share results
  41. 41. Distintos propósitos de exploración 41 4 1
  42. 42. 42 IBM Confidential
  43. 43. 4343
  44. 44. 44 Exploración Encontrar, visualizar, comprender los Big Data para mejorar el proceso de decisión Las 5 Categorías de Casos de Uso Vista 360º cliente mejorada Extender las vistas de clientes (MDM, CRM, etc) incorporando fuentes de información internas y externas Inteligencia Operacional Analizar una variedad de datos máquina para mejorar la eficiencia operacional Seguridad/Inteligencia Aumentada Reducir riesgo, detectar fraude y monitorizar seguridad en tiempo real Aumento del Data Warehouse Integrar las capacidades de big data y de data warehousing para mejora de resultados de negocio
  45. 45. 45 Necesidades Extender las vistas actuales de clientes (MDM, CRM, etc.) añadiendo fuentes de información internas y externas Necesita una mayor comprensión del sentimiento de la clientela Deseo de mejorar la fidelización (activa) del cliente y la satisfacción identificando acciones significativas necesarias Desafío en facilitar la información correcta a los decisores para suministrar a los clientes lo que realmente necesitan (resolver problemas, cross-sell, etc.)
  46. 46. 46 Análisis Actitudinal de Clientes
  47. 47. 47 GeoMarketing 2.0 / Geofencing Pisadas • Patrones de movimiento de personas y patrones de estancia • Análisis por hora y día • Inferencia para métricas de estancias dentro de edificios Sociodemográficos y Conducta • Perfil sociodemográfico combinado con movimiento • Edad, género, país, dirección vivienda, dirección trabajo, tipo dispositivo (datos, status), patrón de actividad Tránsito • Inferencia de rutas de transporte público incluyendo carreteras, trenes, autobuses
  48. 48. 48 Lista de Prospectos Fan BBiigg DDaattaa DDWW DDaattooss lliinneeaalleess Datos Datos no no lineales lineales Datos Datos suscripción suscripción Datos Datos afinidad afinidad y y de de gasto gasto Datos demográficos Datos Redes Sociales Datos Redes Sociales Gestión de Campañas multicanal MMaarrkkeettiinngg// RReesseeaarrcchh Crear lista de prospectos mediante Crear lista de prospectos mediante modelos predictivos y producir modelos predictivos y producir campañas de marketing VViissuuaalliizzaacciióónn Motor de Reglas AAnnáálliissiiss PPrreeddiiccttiivvoo Datos demográficos Gestión de Campañas multicanal Extraer datos y Extraer datos y EEssttrruuccttuurraaddoo ejecutar integración de entidades para crear perfiles individuales Procesado Tiempo Real DDeessaarrrroollllaa mmooddeellooss pprreeddiiccttiivvooss Procesado Tiempo Real 2 VViinnccuullaacciióónn PPeerrffiill 336600ºº TTiippoo FFaann campañas de marketing 3 PPrrooppeennssiióónn CChhuurrnn PPoorrttaall Text Mining Lista de Prospectos Fan No estructurado ejecutar integración de entidades para crear perfiles individuales 1 IInnfflluueenncciiaa Análisis de Público Objetivo basado en Fans
  49. 49. 49 Exploración Encontrar, visualizar, comprender los Big Data para mejorar el proceso de decisión Las 5 Categorías de Casos de Uso Vista 360º cliente mejorada Extender las vistas de clientes (MDM, CRM, etc) incorporando fuentes de información internas y externas Inteligencia Operacional Analizar una variedad de datos máquina para mejorar la eficiencia operacional Seguridad/Inteligencia Aumentada Reducir riesgo, detectar fraude y monitorizar seguridad en tiempo real Aumento del Data Warehouse Integrar las capacidades de big data y de data warehousing para mejora de resultados de negocio
  50. 50. 50 Necesidades La extensión de Seguridad/Inteligencia mejora las soluciones de seguridad analizando todo tipo de fuentes Inteligencia mejorada y Vigilancia Predicción y mitigación de ciberataques en tiempo real Analizar el tráfico de red para: • Descubrir nuevas amenazas tempranamente • Detectar amenazas complejas conocidas • Actuar en tiempo real Analizar datos sociales y de telecomunicaciones para: • Reunir evidencia criminal • Prevenir las actividades criminales • Prender criminales proactivamente Predicción y protección de crímenes Analizar datos en movimiento y parados para: • Encontrar asociaciones • Descubrir patrones y hechos • Mantener la actualidad de la información
  51. 51. 51 Modelo Conceptual Sistema de Seguimiento de Información Criminal Información s de Seguridad y Gestión de Eventos (SIEM) Conectores Data Warehouse Sistema de Monitorización de Vigilancia Conectores Datos no estructurados/en streaming Datos Estructurados Tradicionales • Análisis profundo • Análisis operacional • Gestión de datos estructurado de alto volumen Appliance de monitorizacion de telemetría de red (Opcional) Ingesta y procesamiento en tiempo real • Video/audio • Red • Geoespacial • Predictivo Almacenamiento y Análisis • Text mining • Data mining • Machine learning Análisis de Entidades/ Relaciones
  52. 52. Evolución Adaptarse a cambios en negocios clientes productos Problemas Integridad? Consistencia del proceso de gestión de riesgo de 52 crédito Reportar Gestión de Riesgos Informar involucrados Reporting Limitado Reporting limitado de exposiciones y colaterales Cobertura Limitar el daño usando cobertura Respuesta a Tiempo Falta de herramientas de monitorización de crédito Preparar Reunir datos de posiciones, mercados, oportunidades , etc. Datos Históricos Muchos datos, cambiando muy rápido, demasiada variedad Exposición Estimar Ratings y exposiciones Cálculos Scoring Complejos Los cálculos de scoring necesitan hacerse más rápido Límites Comparar exposición agregada contra límites Demasiados datos No hay simple vista del riesgo de crédito (muchas vistas) Capital Determinar reqs. capital Minimizar Costes Optimización de las pérdi-das de crédito, capital, colaterales Stress Stress testing y Análisis de Escenarios Demasiados What ifs? Múltiples escenarios de stress ad hoc Documentos Mitigación de riesgos legales Gestión Información Gestionar datos no estruc. de oportunidades y colaterales. Reporting y búsqueda Datos no estructurados: Análisis de sentidos como Análisis de Entidades Otras fuentes de datos como geoposicionamiento, redes sociales Análisis en Tiempo Real: Cálculos en casi tiempo real Appliance/función calidad streams Escalabilidad: Capacidad a nivel de petabytes para grandes portfolios de crédito Gestión de Datos: MDM para las entidades de contrapartida legal App. Riesgo: App de riesgo de crédito y colaterales Análisis masivo: 10-100x más rápido que sistemas tradicionales con empleo de Appliance
  53. 53. 53 Exploración Encontrar, visualizar, comprender los Big Data para mejorar el proceso de decisión Las 5 Categorías de Casos de Uso Vista 360º cliente mejorada Extender las vistas de clientes (MDM, CRM, etc) incorporando fuentes de información internas y externas Inteligencia Operacional Analizar una variedad de datos máquina para mejorar la eficiencia operacional Seguridad/Inteligencia Aumentada Reducir riesgo, detectar fraude y monitorizar seguridad en tiempo real Aumento del Data Warehouse Integrar las capacidades de big data y de data warehousing para mejora de resultados de negocio
  54. 54. 54 Necesidades Analizar una variedad de datos máquina para mejorar los resultados de negocio La capacidad de analizar datos máquina y combinarlos con los datos corporativos obteniendo una vista completa puede capacitar a las organizaciones a: • Ganar una visibilidad en tiempo real de las operaciones, experiencia de cliente, transacciones y conducta • Planificar proactivamente para mejorar la eficiencia operacional • Identificar e investigar anomalías • Monitorizar la infraestructura punto a punto para evitar proactivamente la degradación del servicio o las cortes
  55. 55. 55 Logs brutos y datos máquina Indexar, buscar Modelización estadística Análisis Causal Exploración y Descubrimiento Sólo almacenar lo necesario Análisis en tiempo real Modelo Conceptual Acelerador de Datos Máquina
  56. 56. 56 Análisis de los Datos Máquina (M2M) App. Server Logs System Logs Smart Meters Sensor Data Utility Systems Facility Systems Message Queues Clickstream Data Configuration Files Web Access Logs Database Audit Logs and Tables Web Proxy Logs HDFS Logs Ingestión Datos Datos en reposo Datos en movimiento Extractores Estructurado Procesamiento Análisis texto Algoritmos adaptativos Indexado Búsqueda Análisis Causa raíz Análisis Patrones Detección de Anomalías Análisis Predictivo Queries Dinámicas Tiempo real Solución de Negocio Visualización No estructurado Correlación
  57. 57. 57 Detección de Anomalías Datos históricos Ultimos datos 1. Para cada punto de suministro se identifican otros puntos que tengan conducta de consumo similar Contador Lectura A 100 B 10 C 15 D 200 E 5 2. Se identifica cuánto se desvía el último consumo del grupo 3. Se identifican los consumos más anómalos para centrar la investigación
  58. 58. Soluciones Aplicaciones Mediación, Correlación y 58 Network Analytics Análisis en tiempo real del uso de los clientes y de su experiencia de los servicios de datos y aplicaciones, para mejorar la experiencia de cliente Análisis Recogida y extracción de datos 1. Servicio a Clientes: priorizar problemas de clientes 2. Operaciones de Red: impacto de los eventos de red (cuellos de botella,, llamadas caídas, cortes, etc.) en la calidad de la experiencia de los abonados 3. Ventas & Marketing: aumentar la tasa de aceptación
  59. 59. 59 Exploración Encontrar, visualizar, comprender los Big Data para mejorar el proceso de decisión Las 5 Categorías de Casos de Uso Vista 360º cliente mejorada Extender las vistas de clientes (MDM, CRM, etc) incorporando fuentes de información internas y externas Inteligencia Operacional Analizar una variedad de datos máquina para mejorar la eficiencia operacional Seguridad/Inteligencia Aumentada Reducir riesgo, detectar fraude y monitorizar seguridad en tiempo real Aumento del Data Warehouse Integrar las capacidades de big data y de data warehousing para mejora de resultados de negocio
  60. 60. 60 Necesidades Integrar las capacidades de big data y de data warehouse par amejorar la eficiencia operacional Necesidad de usar variedad de datos Extender la infraestructura • Almacenamiento optimizado, mantenimiento y costes de licenciamiento para migrar datos raramente usados (fríos) a Hadoop • Costes de almacenamiento reducidos por procesamiento inteligente de datos en streaming • Rendimiento del data warehouse mejorado determinando • Análisis profundo en streaming de datos estructurados, no estructurados • Requerimientos de latencia baja (horas – semanas) • Se requiere acceso a los datos
  61. 61. 61 Valor y Modelo Conceptual Pre-Processing Hub Query-able Archive Exploratory Analysis Information Integration Data Explorer Data Warehouse Streams Real-time processing BigInsights Landing zone for all data Data Warehouse BigInsights Can combine with unstructured information Data Warehouse 1 2 3 Find and view the data Data Explorer BigInsights Streams Offload analytics for microsecond latency
  62. 62. 62 Archivar “Datos Fríos” Aplicar políticas de retención de datos Capturar objetos de negocio completos Preservar integridad de datos Preservar metatada Cargar datos a Hadoop según sea necesario Almacén interrogable utilizando Hive en Hadoop Archivar y purgar datos InfoSphere Optim Archivos comprimidos, auditables, y restaurables Base de Datos Distribución Hadoop Ficheros Archive Offloading
  63. 63. Ejemplos de Caso de Uso
  64. 64. 64 Resultados Interacciones proactivas Aceptación mejorada de ofertas Satisfacción clientes mejorada Datos Externos Cliente Credit bureaus, demográficos (datos comprados) Nuevas Capacidades • Detección eventos tiempo real • Microsegmentación • Sentimiento y Satisfacción • Optimizar ofertas y timing • Modelos predictivos más rápidos y precisos Geoespacial Latitud, longitud (X,Y) Datos Internos Social Actitudes, preferencias Clientes Estructurados No Estructurados Contact Center Notas y chats, Interaccion con cliente Transacciones Multicanal (Web, call-center, oficinal) Eventos Triggers conducta cliente Correspondencia Emails y chats Optimización de ofertas y venta cruzada
  65. 65. 65 Resultados Identificar oportunidades de trading rentables Crear una adecuada estructura de pricing para reducir los picos de demanda Cumplir los objetivos de uso de nergía renovables Evitar sobrecargar la red de transmisión y distribución Nueva capacidad • Predicción de patrones de demanda • Predicción de resultado de energía renovable • Predecir la necesidad de comprar o la oportunidad de vender energía en el mercado abierto • Optimizar la planificación de generación Topografía de Distribución de Energía Planificación de mantenimiento de Equipamiento Optciones de Generación de Energía •Patrones demanda históricos •Límites de capacidad de activos •Planes de producción industrial Tiempo •Predicciones •Alertas Clientes Sensibilidad al precio por tiempo de uso (TOU) Geoespacial y Temporal Datos GIS Trading Datos de mercado actuales y previstos de precios de fuel y energía Predicción y planificación de carga en Utilities
  66. 66. 66 Video Vigilancia, tráfico de pies en la tienda Resultados Reducir los costes de marketing Reducir abandonos Incrementar fidelización Ejecutar tácticas efectivas de Marketing Nueva capacidad • Microsegmentación de clientes y vista 360º extendida • Obtener más conocimiento del análisis de sentimiento y de satisfacción • Entregar ofertas a clientes a tiempo Geoespacial Latitud, longitud (X,Y) Social Media Sentimiento, intención, preferencias,… cliente Socidemográficos, transacciones y patrones de compra Clickstream Actividades Online POS Logs Transaccional Eventos Tiempo, eventos locales Call Center Llamadas: texto y audio Email Analizar texto para encontrar patrones Competidores Producto, pricing, etc. Optimización de carga en Retail
  67. 67. Experiencias
  68. 68. Fabricante aeroespacial global incrementa la eficiencia de la fuerza laboral y ahorra 36M$ anualmente 68 • Necesidad – Los retrasos en resolución de problemas de mantenimiento son caros y potencialmente incurren en penalizaciones financieras por tener equipos fuera de servicio – Aumentar la eficiencia de su mantenimiento y apoyar a los técnicos, personal de apoyo e ingenieros • Beneficios – Dar apoyo a 5,000 agentes de servicio – Uso de manuales de papel eliminado que previamente se empleaban para investigación – Poner en servicio más de 40 aviones adicionales sin más personal de apoyo – Tiempo de llamadas de servicio reducido en un 70% (de 50 a 15 min)
  69. 69. Compañía de Emailing Americana analiza miles de millones de emails no estructurados Necesidad Sus clientes envían 35 millardos de emails cada año (a sus bases de clientes) • Analizar la efectividad de emails es crítica para el éxito del cliente • Poder analizar las tendencias • Reducir el tiempo de enviar emails • Saber qué contenidos son más efectivos en campaña Beneficios • 40X mejora de rendimiento • Tiempo de análisis reducido de horas a segundos • Mejora directamente la experiencia de clientes 15%-25% mejora de respuesta de las campañas • Fácil de usar por la organización • Mejora los sistemas de análisis 69 69
  70. 70. 70 Fabricante de tecnología de datos en streaming de sistemas de vigilancia • Necesidad – Desplegar un sistema de vigilancia para detectar, clasificar, localizar, y rastrear amenazas potenciales en un laboratoro nacional altamente sensible • Beneficios – Tiempo de captura reducido para analizar 275MB de datos acústicos de horas a 1/14 de segundo – Análisis de datos en tiempo real de diferentes tipos de sensores y 1,024 canales individuales para apoyar el perímetro de seguridad – Respuesta más rápida e inteligente a cualquier amenaza
  71. 71. Un mercado de Bolsa amerciano mejora notablemente el rendimiento de su gestión de información 71 Necesidad • Mayor flexibilidad para cumplir las demandas del mercado • Reducir el tiempo necesario para acceder a datos críticos de negocio en su red, que solía ser 26 horas • El anterior sistema era ineficiente en las búsqueda rastreando múltiple información irrelevante Beneficios • Capacidad de ejecutar rápidas búsquedas de 650 Tb ; almacenando alrededor de 1Pb • El tiempo de acceso a datos críticos de negocio se ha reducido de 26 horas a 2 minutos
  72. 72. Bureau Salud Asiático reduce 72 errores de diagnóstico Necesidad • El servicio telemédico de diagnóstico por imágenes tiene como objetivo aumentar la salud rural • Automaticamente mueve y analiza grandes collecciones de imágnes buscando anomalías y enfermedades • Hace posible que radiólogos y patólogos analicen 1000s imágenes de pacientes cada día Mejoras esperadas: • Reducción en errores de diagnóstico • Resultados mejorados aprovechando el tratamiento médico de casos similares
  73. 73. 73 El Instituto de la Universidad de Ontario detecta los síntomas de neonatos con anterioridad • Ejecuta analítica en tiempo real utilizando datos fisiológicos de los neonatos • Correlaciona datos continuamente de monitores médicos para detectar cambios sútiles y alertar al personal médico antes • El sistema avisa a los cuidadores de posibles complicaciones Beneficios: • Ayuda a detectar condiciones de amenaza hasta 24 horas antes • Reducción de mortandad infantil y mejora de los cuidados de los pacientes
  74. 74. Una gran organización no lucrativa de I+D conduce una proyecto de demostración regional para validar las tecnologías de smart grid 74 • Necesidad – Reunir y analizar datos del rendimiento de la smart grid de 15 sitios de prueba que representan el terreno, meteorología, y demografía de la región para derivar conocimiento y validar las tecnologías smart grid • Beneficios – 50% de caídas a corto plazo en horas punta – 15% de caidas en picos generales – 10% reducción de las facturas de electricidad (recomendaciones de consumo) – 70 mil M$ de ahorros proyectados en 20 años – Poder analizar 10 Pb en minutos
  75. 75. Ayudar a reducir los costes de energía y la fiabilidad y rendimiento de la red 75 Necesidad • Validar la viabilidad de una técnica de la smart grid llamada control transactivo Beneficios • Une a consumidores con activos mediante un sistema de señal-respuesta optimiza el sistema e integrar mejor los recursos renovables • Permite analizar y ganar conocimiento de 10Pb en minutos • Aumenta la eficiencia y la fiabilidad de la red mediante la auto-monitorización y feedback • Se capacita a la ciudad para evitar una potencial caída de tensión 75
  76. 76. 76 Fabricante de aerogeneradores optimiza inversiones de capital Necesidad • Definir modelos climáticos para optimizar la localización de las turbinas, maximizando la generación de energía y la vida residual del equipamiento Beneficios • Reduce el tiempo requerido para identificar la localización de la turbina de semanas a horas • Reduce los costes de IT y disminuye el consumod e energía en un 40% • Incorpora 2,5Pb de flujos de información estructurada y no estructurada. Se espera que el volumen de datos crezca hasta 6Pb 76
  77. 77. 77 Detección de cambios medioambientales de recursos hídricos en tiempo real Necesidad • Recoger y procesar múltiples flujos de datos físicos, químicos, y biológicvos de sensores instalados en la Bahía de Hudson • Los datos de sensores se analizan junto con datos meteorológicos y se agregan • Los datos medioambientales en tiempo real se entregan en formato estándar a los científicos, ingenieros, políticos y educadores Beneficios • Estimula la colaboración publicando los datos del mundo reales a sistemas externos, investigadores, y políticos • Ayuda a la gestión de recursos a responder más efectivamente ante cambios en los recursos hídricos locales 7777
  78. 78. 78 Centro de la Ciudad de Dublin: sistema de control de tráfico robusto y eficiente que Necesidad • Una solución eficiente en presupuesto para mejorar el sistema de control de tráfico • Su objetivo es incrementar la precisión en detección de eventos, inferencia de las condiciones de tráfico (velocidad) y predicción de llegada de autobuses • El resto es analizar adecuadamente los datos GPS, que son normalmente masivos y difíciles de capturar Beneficios • Monitorizar 600 autobuses de 150 líneas diariamente • Analizar 50 actualizaciones de localizaciones de autobús por segundo • Recoge, procesa y visualiza los datos de localización de todos los vehículos de transporte público 7788
  79. 79. Taller
  80. 80. 80 problema u Seleccionamos sectores industriales de interés 1 2 3 6 4 5 Definimos la necesidad, oportunidad de negocio Identificamos la idea innovadora que nos permite implantar la tecnología conceptual de la arquitectura Listamos los datos estructu-rados y no estructurados Enumeramos los beneficios o nuevas capacidades de su implantación Dibujar la solución
  81. 81. 81 Valoración de Ideas Innovación Factibilidad Técnica Factibilidad Económica Valoramos del 1 al 10
  82. 82. 82
  83. 83. Muchas gracias por su atención

×